亲子关系与CLOCK基因rs1801260多态性对学前儿童亲社会行为的交互影响:性别的调节作用

研究探讨了亲子关系与CLOCK基因rs1801260多态性对学前儿童亲社会行为的交互影响及性别的调节作用。以694名学前儿童(M_(年龄)=5.06岁,SD=0.87)及其父母为测试对象,收集儿童的唾液样本进行基因分型,由儿童父母填写亲子关系和儿童亲社会行为量表。研究结果发现,亲子亲密与亲子冲突对亲社会行为的主效应显著。亲子冲突、CLOCK基因rs1801260多态性和性别三重交互影响儿童的亲社会行为,即与携带C等位基因的男孩相比,携带TT基因型的男孩在低亲子冲突下会表现出更多的亲社会行为,在高亲子冲突下则表现出更少的亲社会行为。但亲子冲突与CLOCK基因rs1801260多态性对女孩亲社会行为的交互作用不显著。研究结果为深入理解学前儿童亲社会行为形成的基因-环境交互作用机制提供了证据。

亲子关系、感觉加工敏感性与COMT Val158Met多态性对学前儿童亲社会行为的交互影响

基于个体多重敏感性因素与环境交互的视角,本研究探讨了亲子关系、感觉加工敏感性(Sensory Processing Sensitivity,SPS)与COMT Val158Met多态性的交互作用对学前儿童亲社会行为的影响。研究以507名学前儿童为被试(M_(年龄)=4.83岁,SD=0.90岁),分别采用父母报告的亲子关系量表、高敏感儿童量表、长处与困难问卷中的亲社会分问卷测量了亲子关系、儿童的SPS和亲社会行为,采集唾液样本进行基因位点的分型。研究结果发现,亲子冲突、SPS与COMT Val158Met多态性的三重交互作用对儿童亲社会行为影响显著。在携带Val/Val基因型的儿童中,高SPS儿童比低SPS儿童在低亲子冲突条件下表现更多的亲社会行为,但在高亲子冲突条件下表现更少的亲社会行为;在携带Met等位基因的儿童中,亲子冲突与SPS的交互作用对儿童亲社会行为的影响不显著。研究结果表明同时具有高气质敏感性和高基因敏感性儿童的亲社会行为更容易受到亲子冲突的影响,这为深入理解个体多重敏感性因素与家庭环境交互影响儿童发展提供了证据。

儿童发展的不同环境敏感性:理论与实证

遗传等个体因素和家庭等环境因素如何交互影响儿童发展,一直是发展心理学关注的核心问题。关于个体与环境因素交互影响儿童发展,目前研究者们提出了许多理论模型并得到实证研究的支持,其中主要包括素质—压力模型、差别易感性模型、优势敏感性模型、情境生物敏感性模型、感觉加工敏感性模型和环境敏感性模型。这些儿童发展的个体-环境交互作用模型尽管使用了不同的概念来解释环境因素如何与个体因素交互影响儿童发展,但都提出不同儿童的环境敏感性不同,有的儿童环境敏感性高,有的儿童环境敏感性低。儿童环境敏感性不同,受到的环境影响大小就不同,加之儿童成长中面对的环境因素千差万别,从而使得儿童形成多样性的发展结果。

基于元胞自动机的病毒传播和系统仿真模型

根据病毒传播特点及城市空间地图模式,建立了一类易感者,潜伏者,患病者,治愈者,免疫者,病毒传播模型,将环境中的个体看作Agent智能体,根据元胞自动机原理构建病毒传播机制。依据病毒的不同传播特点、不同防控策略对病毒的时空传播进行了仿真,讨论了关键因素对病毒扩散的影响,并以石家庄新冠疫情为例对模型进行了验证。研究结果表明:初始潜伏者人数、感染力、随机游走、疫苗接种比例等因素在病毒传播时空分布中起重要作用。仿真结果显示,在政策比较严格控制的情况下,易感人群10%的疫苗接种比率可初步筑起防疫屏障,较为有效控制疫情传播。模型能比较准确刻画疫情数据随时间的变化规律,也可以展示疫情在真实空间的分布特点,为采取有效防控策略提供决策依据。

基于真实城市地图的新型冠状病毒疫情传播仿真数学模型:计算模拟与防控策略的初试研究

自2019年12月以来,由新型冠状病毒(COVID-19)引发的传染性疾病已经严重影响了全球公共卫生安全,阻碍了世界经济的发展.科学界对该传染病传播规律的研究仍在紧张进行,基于仓室进行疫情传播动力学建模的研究给出很多有价值的结果,但也有一定的局限性,主要表现在无法直接描述复杂的真实地理对象(如路网、火车站、医院设置等)对于模拟对象具体行为的影响,也不能直接考虑真实可通行区域、地形开阔程度等对计算仿真结果的影响.为此,我们引入人工智能强化学习领域对相关问题的解决思路--将实现真实地图模拟涉及的各种对象和机制制作成一个可交互的复杂环境,模拟个体无需获取该环境的所有信息,只需与环境交互便能获取自身状态的更新.如此遍历个体并迭代模拟步数即可完成基于可计算模型的仿真.我们提出这一计算模型框架的优势主要表现为:(1)能对难以用传统动力学方程组化的复杂真实环境进行充分细致刻画并给出高效率可交互的框架;(2)后续还可以进一步引入个体奖励函数构成有限马尔可夫决策过程,在没有环境所有信息的情况下,便可以进行诸如最优个体行动策略的训练,这是即使获知环境所有方程组及状态转移概率分布也难以高效求解最优策略的传统动态规划算法所无法替代的,也是使用最前沿深度强化学习算法的基础.本文建立了这样的个体与复杂环境交互模型,通过设置一个包含城市路网和可通行区域、迁入地点及收治医院等要素的真实场景,分别模拟了无干预手段和有干预手段下的COVID-19疫情发展进程,计算了公共卫生领域关心的动态参数,充分拓展了传统动力学模型所能计算模拟的场景,也为下一步针对疫情传播精细化设计和实施智能防控策略建立了可计算的框架基础.

群智能自组织劳动分工研究进展

群智能是指众多行为简单的个体在相互作用过程中涌现产生的整体智能行为,劳动分工是其最重要特征之一.本文首先根据个体与个体、个体与环境的交互模式,给出群智能劳动分工的一个框架描述,分析其个体专职化、角色可塑性和自组织等特性.然后从自组织的角度对激发—抑制、刺激—响应、个体排序和寻觅工作等四类劳动分工模型进行对比分析,旨在归纳提炼群智能自组织劳动分工模型的构建规律.进而结合群智能自组织劳动分工的应用情况,针对其适用范围和求解思路进行了评述和讨论.最后从劳动分工机制、劳动分工模型、分配问题求解和优化问题求解四个方面展望了群智能自组织劳动分工的发展前景.